AI Search no reemplazó a Google ni volvió inútiles las métricas clásicas. Sumó otra capa: una marca puede aparecer mencionada o citada dentro de una respuesta aunque el usuario no haga clic. Por eso conviene medir dos cosas por separado: la visibilidad en respuestas generativas y el negocio generado por las visitas que sí llegan.
Este artículo no repite qué es Google AI Overview ni promete un truco para «hackear» un LLM. Propone un método para incorporar SEO para AI Search al trabajo habitual: investigar prompts, decidir qué contenido mejorar y medir menciones, citas, tráfico y conversiones sin mezclar señales distintas.
Qué cambia cuando el buscador entrega una respuesta
En una SERP clásica, el usuario escribe una consulta, revisa resultados y elige un enlace. En AI Search, el sistema puede descomponer una pregunta en varias búsquedas, recuperar diferentes fuentes y redactar una respuesta. Google denomina query fan-out a ese conjunto de consultas relacionadas que su modelo ejecuta para completar la intención. Su guía oficial para funciones generativas también confirma que AI Overviews y AI Mode se apoyan en los sistemas centrales de ranking y calidad de Search.
De una keyword a una necesidad completa
Una keyword sigue siendo útil para entender demanda, pero una conversación aporta contexto adicional. «Software de CRM» puede transformarse en «¿qué CRM conviene para una pyme argentina con cinco vendedores, integración con WhatsApp y bajo presupuesto?». El sistema necesita resolver categoría, tamaño de empresa, ubicación, integraciones y precio.
La consecuencia práctica no es crear una URL para cada pregunta. Es desarrollar una cobertura que responda las decisiones reales del comprador: definición, criterios, alternativas, objeciones, implementación y prueba. Google advierte que multiplicar páginas para cada variación puede convertirse en contenido escalado sin valor.
De clics y rankings a presencia e influencia
Los rankings, clics y conversiones continúan importando. A ellos se suman señales nuevas: si la marca es mencionada, qué página aparece como fuente, en qué contexto se la recomienda y qué competidores ocupan la respuesta. Una mención sin enlace puede influir en una búsqueda de marca posterior; también puede no producir ningún resultado comercial. Por eso conviene medir visibilidad y adquisición por separado.
Paso 1: crear una línea de base de visibilidad en AI Search
Elegí prompts vinculados con el negocio
No empieces con cientos de preguntas generadas automáticamente. Seleccioná entre 20 y 40 prompts que representen situaciones comerciales reales y dividilos en tres grupos:
- Informativos: «¿Cómo reducir el costo de adquisición de una tienda online?».
- Comparativos: «¿Qué alternativa conviene entre plataforma A y B para un catálogo grande?».
- Transaccionales: «Recomendame consultores SEO para una empresa B2B en Argentina».
Incluí variantes con restricciones relevantes: ubicación, presupuesto, industria, tamaño de empresa o integración requerida. Conservá el mismo conjunto durante varias mediciones para poder comparar. Si cambiás prompts, plataforma y condiciones al mismo tiempo, no sabrás qué provocó la diferencia.
Registrá menciones, citas y competidores
Armá una planilla con una fila por prueba. Como mínimo, guardá prompt, plataforma, fecha, marca mencionada, URL citada, competidores, contexto y observaciones. Si la interfaz informa modelo, ubicación o modo de búsqueda, registralos también.
Ejemplo: ante «mejores herramientas de email marketing para ecommerce», tu marca puede no aparecer, pero un artículo comparativo de un medio sectorial puede citar a tres competidores. Eso revela dos oportunidades distintas: producir un recurso propio que cubra el vacío y trabajar presencia editorial en las fuentes que ya influyen sobre esa conversación.
Tratá una respuesta como una observación, no como una verdad estable
Los asistentes pueden variar sus resultados entre ejecuciones. Una captura aislada demuestra que algo ocurrió una vez, no que exista una posición fija. Repetí el muestreo con un protocolo consistente y compará tendencias: porcentaje de prompts con presencia, frecuencia de citas y temas donde la marca gana o pierde cobertura.
Paso 2: convertir keywords en un mapa de preguntas y decisiones
Partí del keyword research existente y agrupá las consultas según la etapa que ayudan a resolver: descubrir un problema, evaluar enfoques, comparar proveedores, validar una opción o ejecutar una acción. Después contrastá ese mapa con las respuestas de los asistentes.
Detectá vacíos entre el sitio y la respuesta generada
Buscá cuatro tipos de brecha:
- Preguntas relevantes que tu sitio todavía no responde.
- Respuestas existentes sin ejemplos, evidencia o experiencia propia.
- Contradicciones entre páginas del mismo sitio.
- Fuentes externas que dominan una conversación donde tu marca tiene autoridad real.
Antes de crear contenido, revisá si corresponde actualizar una URL. En tupacbruch.com ya existe una guía sobre tendencias SEO para 2026, otra sobre búsqueda con IA y Schema Markup y un análisis específico de AI Overviews en Search Console. Crear versiones casi idénticas dispersaría señales; esta pieza ocupa deliberadamente el espacio del método operativo.
Priorizá por impacto y evidencia disponible
Puntuá cada oportunidad del 1 al 5 según importancia comercial, brecha de contenido, experiencia disponible, esfuerzo y posibilidad de medición. Un tema con demanda moderada pero con datos propios puede ser mejor activo que una keyword enorme donde solo podés repetir definiciones genéricas.
Paso 3: decidir qué actualizar, qué crear y qué distribuir
Actualizá antes de multiplicar URLs
Mejorá definiciones imprecisas, fechas, enlaces rotos, ejemplos y fuentes. Consolidá páginas que compiten por la misma intención y fortalecé el enlazado interno hacia la URL principal. También revisá autoría, metodología y contexto: decir cómo se obtuvo un dato es más útil que publicar un número sin explicación.
Creá activos que puedan funcionar como fuente
Los formatos más defendibles son aquellos que un modelo no podría fabricar sin tu trabajo: estudios con metodología, comparativas con criterios explícitos, casos con resultados y limitaciones, pruebas técnicas, plantillas o procesos reproducibles. Una tabla de precios fechada, por ejemplo, es más verificable que «la herramienta X es económica». Un caso debería indicar situación inicial, intervención, período y métrica; no solamente celebrar un porcentaje.
Google llama a esto contenido no genérico o non-commodity: material con perspectiva y experiencia propias, en lugar de otra reformulación de lo que ya existe. Eso beneficia al usuario y puede diferenciar la página en Search, aunque nunca garantiza una cita.
Trabajá las fuentes externas sin fabricar autoridad
Una estrategia de visibilidad en LLMs también observa medios sectoriales, directorios legítimos, perfiles institucionales, entrevistas y estudios. El objetivo no es comprar menciones artificiales, sino lograr que la información pública sobre la marca sea coherente y comprobable. Nombre, categoría, servicios, ubicación y propuesta de valor deberían coincidir entre el sitio y las fuentes externas.
Paso 4: revisar la base técnica sin buscar atajos
Para Google, una página debe estar indexada y ser elegible para mostrarse con snippet antes de poder aparecer como enlace de apoyo en sus funciones generativas. No existe un requisito técnico adicional que reemplace el SEO. Revisá respuesta HTTP, canonical, indexabilidad, sitemap, enlazado interno, contenido principal disponible en HTML y experiencia móvil.
Separá los crawlers según su función
OpenAI documenta funciones distintas para sus agentes. OAI-SearchBot ayuda a mostrar sitios en la búsqueda de ChatGPT, mientras que GPTBot se relaciona con contenido potencialmente utilizado para entrenamiento. Se puede permitir el primero y bloquear el segundo. ChatGPT-User, en cambio, responde a acciones iniciadas por una persona y no determina la inclusión automática en Search.
Ejemplo de auditoría: si un sitio permite Googlebot y Bingbot, pero bloquea OAI-SearchBot en robots.txt o en el firewall, estar bien posicionado en Google no resuelve esa barrera específica. Primero comprobá acceso, logs y rangos publicados; después evaluá contenido. Permitir un crawler otorga elegibilidad, no una recomendación.
Schema y llms.txt: contexto, no magia
Los datos estructurados sirven cuando describen fielmente entidades y contenido visible o habilitan resultados enriquecidos. No garantizan citas. Si necesitás la implementación, consultá la guía de Schema para búsqueda con IA. Sobre llms.txt, Google dice expresamente que no lo utiliza para Search; podés ver el análisis completo de llms.txt y sus límites.
Paso 5: medir sin inventar una atribución perfecta
KPIs de visibilidad
- Porcentaje de prompts con presencia de marca.
- Frecuencia de mención y contexto positivo, neutral o negativo.
- URLs citadas por tema e intención.
- Cobertura frente a competidores.
- Fuentes externas que aparecen de manera recurrente.
KPIs de adquisición y negocio
Medí sesiones referidas desde asistentes, conversiones directas o asistidas, búsquedas de marca, leads vinculados con las páginas trabajadas y rendimiento orgánico tradicional. Google ofrece un informe de rendimiento de IA generativa con impresiones de AI Overviews y AI Mode por página, país, dispositivo y fecha. Esos datos ya están incluidos en el tipo Web; no los sumes como un canal adicional.
Bing también incorporó AI Performance en Webmaster Tools. El informe muestra citas, páginas citadas y consultas de grounding en Copilot, respuestas generadas en Bing y algunas integraciones asociadas. Microsoft aclara que esos datos no equivalen a ranking, autoridad ni posición dentro de una respuesta. En cualquier plataforma, documentá el muestreo, la personalización, la variabilidad y los límites de atribución. Si suben las menciones y también los leads, hay una correlación para investigar; no una prueba automática de causalidad.
Un ciclo de trabajo de 30 días
Semana 1: diagnóstico
Seleccioná los prompts, medí la línea de base e identificá páginas, fuentes y competidores recurrentes.
Semana 2: priorización
Relacioná prompts con URLs, encontrá vacíos y elegí oportunidades según impacto, evidencia y esfuerzo.
Semana 3: implementación
Actualizá páginas existentes, mejorá fuentes y enlazado, y creá una URL nueva solamente cuando la intención sea diferente.
Semana 4: medición
Repetí el protocolo, revisá Search Console, analítica y referidos, documentá los cambios y prepará el siguiente ciclo.
Errores frecuentes en SEO para LLMs
- Reemplazar un keyword research sólido por una lista caótica de prompts.
- Publicar cientos de respuestas genéricas para cubrir cada redacción posible.
- Confundir una mención con una cita, y una cita con una conversión.
- Abandonar indexación, arquitectura y enlazado interno.
- Prometer presencia garantizada gracias a Schema o
llms.txt. - Presentar una captura puntual como un ranking estable.
- Mezclar impresiones de IA con el total Web y duplicar resultados.
Preguntas frecuentes sobre SEO y AI Search
¿El GEO reemplaza al SEO?
No. GEO o SEO para AI Search amplía el análisis hacia menciones, citas y respuestas generativas. El rastreo, la indexación, la relevancia, la autoridad y la utilidad continúan siendo necesarios.
¿Cómo puedo aparecer en ChatGPT Search?
Mantené accesible el contenido público y verificá que OAI-SearchBot no esté bloqueado si querés participar en Search. Después trabajá claridad, evidencia y autoridad. La accesibilidad no garantiza que una página sea seleccionada.
¿Necesito un archivo llms.txt?
No para Google Search. Puede haber servicios que lo utilicen, pero no sustituye robots.txt, sitemaps, HTML accesible ni contenido útil.
¿Schema Markup mejora la visibilidad en LLMs?
Puede aportar contexto estructurado y habilitar ciertas experiencias, siempre que coincida con el contenido visible. No existe evidencia oficial de que por sí solo garantice una cita.
¿Qué debería medir primero?
Empezá con un conjunto estable de prompts, presencia de marca, URLs citadas, competidores y tráfico referido. Vinculá esas señales con conversiones, sin asumir una atribución que los datos no permiten demostrar.
AI Search se trabaja como un ciclo, no como una campaña aislada
El proceso combina investigación de conversaciones, revisión de fuentes y medición de negocio. Las keywords, los rankings y los clics siguen siendo útiles; las menciones y citas agregan otra capa de diagnóstico.
Repetí el mismo protocolo: medí, priorizá, mejorá y compará. Si cada medición cambia de prompts, plataforma o criterio, vas a obtener capturas interesantes, pero no una serie que sirva para decidir.